目标检测是计算机视觉领域最经典的任务之一，近年来基于深度神经网络的目标检测算法的研究取得了显著的突破。然而，深度学习目标检测算法需要对大量有标注数据的训练以获得更高的性能，而实际应用中有标注资源往往是稀缺的，大量的无标注数据需要人工对其进行标注。然而，人工标注通常是一个非常耗时、困难且成本高的过程。主动学习通过衡量和评估未标注样本所含有的信息量，挑选信息量最丰富即对模型训练最有利的样本进行人工标注，以实现仅对少量样本标注训练即可达到较高的模型性能，从而大幅提升人工标注效率，减少人工成本。本文的研究将针对在深度学习目标检测任务中如何对图像样本所含信息量进行衡量和评估来开展，主要研究内容及贡献如下：
　　(1)将主动学习中经典的不确定度采样方法引入目标检测任务中，根据图像预测结果中的候选目标框的概率分布来提出对图像不确定度的定义，以评估图像样本信息量。实验结果表明不确定度采样方法性能优于随机采样，初步证明主动学习在目标检测任务中的有效性；
　　(2)提出一种基于数据增广的增强型主动学习方法，对于未标注图像引入其增广样本，在挑选样本的时候同时考量原始样本及其增广样本的预测结果。通过分析目标检测任务特性，在主动学习过程中兼顾衡量目标分类和定位的不确定性，指出了目标定位准确度的重要性，以此更准确地表示图像样本信息量。
　　(3)借鉴主动学习中的委员会投票采样思想，提出一种基于一致性的改进增强型主动学习方法，将原始未标注图像与其增广图像中对应的相同目标作为成员构建目标投票委员会。通过计算委员会成员之间的投票不一致性来衡量图像样本的信息量。实验结果表明其性能在增强型主动学习方法的基础上进一步提升。
　　本文在公开数据集PASCALVOC2007和VOC2012上进行了对比试验。运用本文提出的方法，可以仅标注30%的数据训练模型就能达到基于全部数据集训练得到的模型的92.1%的效能；或者仅标注45%的数据训练模型就能达到基于全部数据集训练得到的模型的96.5%的效能，也因此证明本文提出的主动学习策略在深度目标检测模型的训练上是有意义的。